Ini adalah implementasi Pytorch resmi dari makalah MICCAI 2023 kami "Treasure in Distribution: A Domain Acconisasi Berbasis Multi-Sumber Domain Generalisasi untuk Segmentasi Gambar Medis 2D". Dalam makalah ini, kami mengusulkan metode generalisasi domain multi-sumber yang disebut harta karun dalam distribusi (TRID) untuk membangun ruang pencarian yang belum pernah terjadi sebelumnya untuk pengacakan domain ruang fitur.
Python 3.7
Pytorch 1.8.0
git clone https://github.com/Chen-Ziyang/TriD.git
cd TriD/TriD-master
Segmentasi OD/OC
Segmentasi prostat
Kami mengambil skenario menggunakan binrushed (domain target) dan empat dataset lainnya (domain sumber) sebagai contoh.
cd OPTIC
# Training
CUDA_VISIBLE_DEVICES=0 python main.py --mode train_DG --mixstyle_layers layer1 layer2 --random_type TriD --Target_Dataset BinRushed --Source_Dataset Magrabia REFUGE ORIGA Drishti_GS
# Test
CUDA_VISIBLE_DEVICES=0 python main.py --mode single_test --load_time TIME_OF_MODEL --Target_Dataset BinRushed
Kami mengambil skenario menggunakan BMC (domain target) dan lima dataset lainnya (domain sumber) sebagai contoh.
cd PROSTATE
# Training
CUDA_VISIBLE_DEVICES=0 python main.py --mode train_DG --mixstyle_layers layer1 layer2 --random_type TriD --Target_Dataset BMC --Source_Dataset BIDMC HK I2CVB RUNMC UCL
# Test
CUDA_VISIBLE_DEVICES=0 python main.py --mode single_test --load_time TIME_OF_MODEL --Target_Dataset BMC
Bagian dari kode direvisi dari implementasi Pytorch dari DOCR.
Jika Anda menemukan repo ini berguna untuk penelitian Anda, silakan pertimbangkan mengutip kertas sebagai berikut:
@inproceedings{chen2023treasure,
title={Treasure in distribution: a domain randomization based multi-source domain generalization for 2d medical image segmentation},
author={Chen, Ziyang and Pan, Yongsheng and Ye, Yiwen and Cui, Hengfei and Xia, Yong},
booktitle={International Conference on Medical Image Computing and Computer-Assisted Intervention},
pages={89--99},
year={2023},
organization={Springer}
}